Roboflow Train: Trainingsdiagramme verstehen

Analysieren von Trainingsdiagrammen von Modellen, die mit Roboflow Train trainiert wurden

Written by Mohamed Traore

Last published at: October 8th, 2022

Zugriff auf Ihr Trainingsdiagramm

Um auf Ihr Trainingsdiagramm zugreifen zu können, müssen Sie zuerst ein Modell mit einem Roboflow Train-Guthaben trainieren . Alle neuen Arbeitsbereiche werden mit 3 kostenlosen Roboflow Train-Credits geliefert .

  • Wahl zwischen Modellgrößen für maschinelles Sehen – enthält Einblicke in das FAST-Modell im Vergleich zum ACCURATE-Modell

Schnellstartanleitung

Mit Roboflow Train trainierte Modelle geben Ihnen die Möglichkeit, auf einen benutzerdefinierten Prüfpunkt für die modellgestützte Kennzeichnung zuzugreifen, um die Kennzeichnung in Ihren Projekten zu automatisieren, Ihr Modell auf der Registerkarte „Bereitstellen“ und unsere vereinfachten Bereitstellungslösungen zu testen.

Wählen Sie nach Abschluss des Modelltrainings in der Benutzeroberfläche „Details“ aus, während Sie die Version des trainierten Datasets anzeigen .

Visualisierte Trainingsergebnisse für v7 des Gesichtserkennungs- Datasets

Ein Leitfaden für die Modellherstellung

Das Trainingsdiagramm für Version 7 ( v7, Roboflow -FAST-Modell ) des Gesichtserkennungs-Datensatzes im Featured Section von Roboflow Universe sieht folgendermaßen aus:

Visualisiertes Roboflow-Zugdiagramm
Visualisiertes Roboflow für v7 des Gesichtserkennungsdatensatzes

So lesen Sie das Trainingsdiagramm:

Y-Achse

  • Ein Prozentwert (%) im Dezimalformat.

X-Achse

  • Die Epochennummer für den Datenpunkt.
  • Eine Epoche ist die Häufigkeit, mit der alle Ihre Trainingsdaten das Netzwerk Ihrer Modellarchitektur durchlaufen.

box_verlust

  • Besser bekannt als „Boxverlust“.
  • Eine auf einer bestimmten Verlustfunktion basierende Verlustmetrik, die misst, wie "dicht" die vorhergesagten Begrenzungsrahmen an den Ground-Truth-Objekten (den Beschriftungen auf den Bildern Ihres Datensatzes) liegen.
  • Ein niedrigerer Wert zeigt an, dass sich Ihr Modell für die Generalisierung verbessert und bessere Begrenzungsrahmen um die Objekte herum erstellt, für deren Identifizierung das Dataset beschriftet wurde.

cls_verlust

  • Besser bekannt als „Klassifizierungsverlust“.
  • Eine auf einer bestimmten Verlustfunktion basierende Verlustmetrik, die die Korrektheit der Klassifizierung aller vorhergesagten Begrenzungsrahmen misst. Jeder einzelne Begrenzungsrahmen kann eine Objektklasse oder ein „Hintergrundetikett“ (Nullbild) enthalten.

Karte

  • Um mAP für die Objekterkennung zu berechnen, berechnen Sie die durchschnittliche Genauigkeit für jede Klasse in Ihren Daten basierend auf den Modellvorhersagen. Die durchschnittliche Präzision bezieht sich auf die Fläche unter der Precision-Recall-Kurve oder AUC für eine bestimmte Klasse in Ihrem Datensatz. Der Mittelwert dieser durchschnittlichen Präzision für die einzelnen Klassen ergibt die mittlere durchschnittliche Präzision oder mAP.

Hinweis: mAP wird durch Intersection over Union oder IoU von Ground-Truth-Labels und vorhergesagten Begrenzungsrahmen beeinflusst.

Intersection over Union ( IoU ) wird als die Menge eines vorhergesagten Bounding-Box gemessen, die mit der Ground-Truth-Bounding-Box überlappt, dividiert durch die Gesamtfläche beider Bounding-Boxen.

Visuelle Darstellung von Intersection over Union (IoU) – Quelle

mAP_0.5

  • Besser bekannt als "mittlere durchschnittliche Genauigkeit mit einem IoU von 0,50 oder 50 %".
  • Die mittlere durchschnittliche Genauigkeit (mAP) mit Vorhersagen, die als „erkanntes Objekt“ an einer Kreuzung über Union (IoU) bewertet werden, größer als 0,5 oder 50 %.

mAP_0.5:0.95

  • Besser bekannt als "mittlere durchschnittliche Genauigkeit mit einem IoU-Intervall von 0,50 bis 0,95 oder 50 % bis 95 %".
  • Die mittlere durchschnittliche Genauigkeit (mAP) mit Vorhersagen, die als „erkanntes Objekt“ an einer Kreuzung über der Union (IoU) bewertet werden, ist größer als 0,50 und kleiner oder gleich 0,95 (50 %–95 %).

Präzision

  • Ein Maß dafür, wie genau ein Modell zum Zeitpunkt der Vorhersage ist. Wahre positive Ergebnisse werden durch alle positiven Ergebnisse dividiert, die erraten wurden.

abrufen

  • Ein Leistungsmaß für ein Vorhersagesystem. Der Rückruf wird verwendet, um zu beurteilen, ob ein Vorhersagesystem genug rät. True Positives werden durch alle möglichen True Positives dividiert.

Zug

  • Dies bezieht sich auf die Metriken für Ihr Trainingsset [split].

Wert

  • Dies bezieht sich auf die Metriken für Ihr Validierungsset [Split].

Die Teilung Trainieren, Validieren und Testen

Wenn Sie mit Ihren Ergebnissen nicht zufrieden sind, können Sie das Datensatzverwaltungssystem von Roboflow und Code-Tentakel wie das Python-Paket und die Upload-API nutzen, um Ihrem Projekt weitere Bilder hinzuzufügen und Ihre Ergebnisse zu verbessern beim nächsten Trainingsversuch und wann das Modell das nächste Mal getestet und bereitgestellt wird.

Implementieren von aktivem Lernen

Dataset Health Check zur Modellverbesserung

Immer noch Probleme? Senden Sie eine E-Mail an help@roboflow.com oder posten Sie in unserem Community-Forum , um Unterstützung zu erhalten.

Für diejenigen, die an geschäftlichen Proof of Concepts oder an kostenpflichtigen Roboflow Plänen arbeiten , reichen Sie ein Kontaktformular ein oder wenden Sie sich an Ihren Roboflow -Supportmitarbeiter, um Unterstützung zu erhalten.